ENVI预处理Word格式.docx
- 文档编号:22109233
- 上传时间:2023-02-02
- 格式:DOCX
- 页数:14
- 大小:1.21MB
ENVI预处理Word格式.docx
《ENVI预处理Word格式.docx》由会员分享,可在线阅读,更多相关《ENVI预处理Word格式.docx(14页珍藏版)》请在冰豆网上搜索。
把图像矫正到一种统一标准的坐标系。
地理参照:
借助一组控制点,对一幅图像进行地理坐标的校正。
图像配准:
同一区域里一幅图像(基准图像)对另一幅图像校准
影像几何精校正,一般步骤如下,
(1)GCP(地面控制点)的选取
这是几何校正中最重要的一步。
可以从地形图(DRG)为参考进行控制选点,也可以野外GPS测量获得,或者从校正好的影像中获取。
选取得控制点有以下特征:
1、GCP在图像上有明显的、清晰的点位标志,如道路交叉点、河流交叉点等;
2、地面控制点上的地物不随时间而变化。
GCP均匀分布在整幅影像内,且要有一定的数量保证,不同纠正模型对控制点个数的需求不相同。
卫星提供的辅助数据可建立严密的物理模型,该模型只需9个控制点即可;
对于有理多项式模型,一般每景要求不少于30个控制点,困难地区适当增加点位;
几何多项式模型将根据地形情况确定,它要求控制点个数多于上述几种模型,通常每景要求在30-50个左右,尤其对于山区应适当增加控制点。
(2)建立几何校正模型
地面点确定之后,要在图像与图像或地图上分别读出各个控制点在图像上的像元坐标(x,y)及其参考图像或地图上的坐标(X,Y),这叫需要选择一个合理的坐标变换函数式(即数据校正模型),然后用公式计算每个地面控制点的均方根误差(RMS)
根据公式计算出每个控制点几何校正的精度,计算出累积的总体均方差误差,也叫残余误差,一般控制在一个像元之内,即RMS<
1。
(3)图像重采样
重新定位后的像元在原图像中分布是不均匀的,即输出图像像元点在输入图像中的行列号不是或不全是正数关系。
因此需要根据输出图像上的各像元在输入图像中的位置,对原始图像按一定规则重新采样,进行亮度值的插值计算,建立新的图像矩阵。
常用的内插方法包括:
1、最邻近法是将最邻近的像元值赋予新像元。
该方法的优点是输出图像仍然保持原来的像元值,简单,处理速度快。
但这种方法最大可产生半个像元的位置偏移,可能造成输出图像中某些地物的不连贯。
2、双线性内插法是使用邻近4个点的像元值,按照其距内插点的距离赋予不同的权重,进行线性内插。
该方法具有平均化的滤波效果,边缘受到平滑作用,而产生一个比较连贯的输出图像,其缺点是破坏了原来的像元值。
3、三次卷积内插法较为复杂,它使用内插点周围的16个像元值,用三次卷积函数进行内插。
这种方法对边缘有所增强,并具有均衡化和清晰化的效果,当它仍然破坏了原来的像元值,且计算量大。
一般认为最邻近法有利于保持原始图像中的灰级,但对图像中的几何结构损坏较大。
后两种方法虽然对像元值有所近似,但也在很大程度上保留图像原有的几何结构,如道路网、水系、地物边界等。
(二)数字图像镶嵌与裁剪
✍✍✍镶嵌
当研究区超出单幅遥感图像所覆盖的范围时,通常需要将两幅或多幅图像拼接起来形成一幅或一系列覆盖全区的较大的图像。
在进行图像的镶嵌时,需要确定一幅参考影像,参考图像将作为输出镶嵌图像的基准,决定镶嵌图像的对比度匹配、以及输出图像的像元大小和数据类型等。
镶嵌得两幅或多幅图像选择相同或相近的成像时间,使得图像的色调保持一致。
但接边色调相差太大时,可以利用直方图均衡、色彩平滑等使得接边尽量一致,但用于变化信息提取时,相邻影像的色调不允许平滑,避免信息变异。
✍✍✍裁剪
图像裁剪的目的是将研究之外的区域去除,常用的是按照行政区划边界或自然区划边界进行图像的分幅裁剪。
它的过程可分为两步:
矢量栅格化和掩膜计算(Mask)。
矢量栅格化是将面状矢量数据转化成二值栅格图像文件,文件像元大小与被裁剪图像一致;
把二值图像中的裁剪区域的值设为1,区域外取0值,与被裁剪图像做交集运算,计算所得图像就是图像裁剪结果。
(三)大气校正
遥感图像在获取过程中,受到如大气吸收与散射、传感器定标、地形等因素的影响,且它们会随时间的不同而有所差异。
因此,在多时相遥感图像中,除了地物的变化会引起图像中辐射值的变化外,不变的地物在不同时相图像中的辐射值也会有差异。
利用多时相遥感图像的光谱信息来检测地物变化状况的动态监测,其重要前提是要消除不变地物的辐射值差异。
辐射校正是消除非地物变化所造成的图像辐射值改变的有效方法,按照校正后的结果可以分为2种,绝对辐射校正方法和相对辐射校正方法。
绝对辐射校正方法是将遥感图像的DN(DigitalNumber)值转换为真实地表反射率的方法,它需要获取影像过境时的地表测量数据,并考虑地形起伏等因素来校正大气和传感器的影响,因此这类方法一般都很复杂,目前大多数遥感图像都无法满足上述条件。
相对辐射校正是将一图像作为参考(或基准)图像,调整另一图像的DN值,使得两时相影像上同名的地物具有相同的DN值,这个过程也叫多时相遥感图像的光谱归一化。
这样我们就可以通过分析不同时相遥感图像上的辐射值差异来实现变化监测。
因此,相对辐射校正就是要使相对稳定的同名地物的辐射值在不同时相遥感图像上一致,从而完成地物动态变化的遥感动态监测。
3、ENVI中的数据预处理介绍?
(1)选择几何校正模型
ENVI中支持有大多数商业化卫星的几何校正模型,如QuickBird、Ikonos、Spot1-5、P6、WorldView-1等,一般的校正模型包括二次多项式、仿射变换和局部三角网。
图2?
几何校正模型
控制点选择方式可以是从影像上,也可以从矢量数据或者野外实测等。
图3?
控制点选择方式
选择控制点也非常的方便,包含了误差的结算。
图4?
控制点选择
重采样方式包含了三种方法。
图5?
重采样方式
ENVI支持有地理参照和没有地理参照影像数据的镶嵌,能够自动对镶嵌影像进行颜色平衡,并提供了多种影像增强和直方图匹配工具,可以最大限度地消除镶嵌影像间的色调和颜色差异
多种色彩平衡方法
图6颜色校正设置
多种接边线编辑方式。
图7接边线镶嵌
✍裁减
在ENVI中做裁减的方法非常的多,提供多种方法进行图像的空间裁剪获得子区,包括:
手动输入行列数、从图像中交互选择区域、输入地理坐标范围、和另外图像文件的交集、使用滚动窗口中的图像和通过感兴趣区域。
图8影像的裁剪
ENVI的大气校正模块为FLAASH。
详细情况参见帖子:
ENVI中的大气校正模块(FLAASH)的使用说明。
遥感的最终成果之一就是从遥感影像上获取信息,遥感分类是获取信息的重要手段。
同时遥感分类也是目前遥感技术中的热点研究方向,每年都有新的分类方法推出。
本小节主要内容:
✍✍✍✍遥感分类基本概念
✍✍✍✍常见遥感分类方法
ENVI中的分类工具
1、遥感分类?
遥感影像通过亮度值或像元值的高低差异(反映地物的光谱信息)及空间变化(反映地物的空间信息)来表示不同地物的差异,这是区分不同影像地物的物理基础。
遥感影像分类就是利用计算机通过对遥感影像中各类地物的光谱信息和空间信息进行分析,选择特征,将图像中每个像元按照某种规则或算法划分为不同的类别,然后获得遥感影像中与实际地物的对应信息,从而实现遥感影像的分类。
不同的地物具有不同的波谱特征,同类的地物具有相似的波谱特征,由不同探测波段组成的多波段数字图像是地物特征的量化,遥感影像分类正是基于影像中所反映的同类地物的光谱相似性和异类地物的光谱差异性的基础上进行的,根据影像的特征向量,建立判别函数,最终实现将遥感影像自动分成若干地物类型。
遥感影像分类由于遥感影像的数据量大和成像复杂等特点,使得遥感影像具有一些特点和原则。
遥感影像分类比起一般的数字影像分类具有自身的特点,概况来讲遥感影像分类的特点有如下几点:
(1)数据量大。
遥感影像通常具有较多的光谱波段,每个像元在不同波段具有不同的波谱特征,所以遥感影像分类是处理多波段的运算。
(2)复杂性。
虽然大多数的地物符合“同类地物具备相同的波谱特征,不同地物具有不同的波谱特征”的原则,但是大多数情况下,研究的同类地物会具有不同的光谱特征,即“同物异谱”,而相同的光谱特征表示了不同的地物,即“异物同谱”。
(3)需要预处理。
在对遥感影像分类前,往往需要做一定的预处理,原始影像的特征波段间往往存在比较强的相关性,同时由于处理多波段遥感数据的计算量大的原因,在分类前采用特征判别,决定一定的预处理方法,不但可以减少计算量,同时为可以处理多波段数据提供一种方式。
遥感影像分类方法可以归纳为两类:
监督分类与非监督分类。
2、非监督分类:
也称为聚类分析或点群分类。
在多光谱图像中搜寻、定义其自然相似光谱集群的过程。
它不必对影像地物获取先验知识,仅依靠影像上不同类地物光谱(或纹理)?
信息进行特征提取,再统计特征的差别来达到分类的目的,最后对已分出的各个类别的实际属性进行确认。
目前比较常见也较为成熟的是ISODATA、链状方法等。
遥感影像的非监督分类一般包括以下6个步骤:
图1非监督分类流程
影像分析:
分析影像,大体上判断主要地物的类别数量。
分类器选择:
选择一个合适的分类方法。
影像分类:
设置好分类器的参数对影像进行分类。
类别定义:
一般需要多设置几个类别,之后重新判别与合并非监督分类的结果。
分类重编码:
对定义好类别的重新定义类别ID。
结果验证:
对分类结果进行评价,确定分类的精度和可靠性。
3、监督分类?
监督分类:
又称训练分类法,用被确认类别的样本像元去识别其他未知类别像元的过程。
它就是在分类之前通过目视判读和野外调查,对遥感图像上某些样区中影像地物的类别属性有了先验知识,对每一种类别选取一定数量的训练样本,计算机计算每种训练样区的统计或其他信息,同时用这些种子类别对判决函数进行训练,使其符合于对各种子类别分类的要求,?
随后用训练好的判决函数去对其他待分数据进行分类。
使每个像元和训练样本作比较,按不同的规则将其划分到和其最相似的样本类,以此完成对整个图像的分类。
遥感影像的监督分类一般包括以下6个步骤:
(1)类别定义:
根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统;
(2)特征判别:
对影像进行特征判断,评价图像质量,决定是否需要进行影像增强等预处理;
(3)样本选择:
为了建立分类函数,需要对每一类别选取一定数目的样本;
(4)分类器选择:
根据分类的复杂度、精度需求等确定哪一种分类器;
(5)影像分类:
利用选择的分类器对影像数据进行分类,有的时候还需要进行分类后处理;
(6)结果验证:
图2监督分类一般流程
4、ENVI中的分类工具
4.1?
非监督分类
在ENVI中,通过主面板—〉Classification—〉unsupervised,有两种方法供选择,ISODATA和K-Mean。
图3ISODATA非监督分类
ENVI还有类别定义工具和分类重编码工具,
图4影像与分类结果的叠加
分类重编码与类别定义
4.2?
监督分类
ENVI中包括了监督分类的各个步骤中的所有工具,首先是样本的选择,通过感兴趣区域收集器(ROI)获取,主面板—〉Basic—〉RegionOfInterest。
包括的功能非常的全,如样本收集、样本精度验证等,样本收集可以从普通的影像上收集,也可以在散点图上选择。
图6?
训练样本的选择
样本收集完了后,就可以进行监督分类了。
ENVI有多种分类器:
包括平行六面体、最小距离、马氏距离、最大似然,基于神经网络的,基于模式识别,包括支持向量机、模糊分类等,针对高光谱有波谱角(SAM),光谱信息散度,二进制编码。
图7ENVI的监督分类器
分类后处理包括的很多的过程,都是些可选项,包括更改类别颜色、分类统计分析、小斑点处理(类后处理)、栅矢转换等操作。
有两种方式用于精度验证:
一是混淆矩阵,二是ROC曲线。
图8?
分类精度评价混淆矩阵
4.4?
基于专家知识的决策树分类器
基于专家知识的决策树分类是基于遥感影像数据及其他空间数据,通过专家经验总结、简单的数学统计和归纳方法等,获得分类规则并进行遥感分类。
分类规则易于理解,分类过程也符合人的认知过程。
基于专家知识的专家分类可以充分利用其他数据,如DEM、行政区划图、道路网、土地利用图、林相图等作为分类的辅助数据。
图9?
专家分类器
基于知识的专家分类可以充分利用其他数据,如DEM、行政区划图、道路网、土地利用图、林相图等作为分类的辅助数据。
图10ENVI的专家知识分类器
4.5?
基于面向对象的分类模块
面向对象的技术集合临近像元为对象用来识别感兴趣的光谱要素,充分利用高分辨率的全色和多光谱数据,利用空间,纹理,和光谱信息来分割和分类的特点,以高精度的分类结果或者矢量输出。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- ENVI 预处理
![提示](https://static.bdocx.com/images/bang_tan.gif)